Jointly Learning Predicates and Actions Enables Zero-Shot Skill Composition
تقدم هذه الورقة مهارات الأفعال المحمولة على المحمولات (PACTS)، وهي سياسة بصرية حركية ذات حلقة مغلقة تعمل على نمذجة مسارات الأفعال ونتائج المحمولات الرمزية بشكل مشترك لتمكين التكوين القوي لصفر-الخطوة للمهارات المتعلمة من خلال التخطيط.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تعلم روبوتاً كيفية طهي وجبة معقدة، مثل صنع شطيرة ثم التنظيف بعدها.
الطريقة القديمة: الطاهي "الأعمى"
تقليدياً، عندما نعلم الروبوتات مهارات جديدة (مثل "التقاط الخبز")، نستخدم طريقة تسمى "التعلم من خلال التوضيح". فنحن نعرض للروبوت فيديو لإنسان يقوم بذلك، ويتعلم الروبوت تقليد حركات اليد.
ومع ذلك، هناك مشكلة في هذا النهج؛ فالروبوت يتعلم الحركات بدقة، لكنه لا يفهم حقاً النتيجة. هو يعرف كيف يحرك ذراعه ليمسك بالخبز، لكن ليس لديه فحص داخلي واضح ليقول: "حسناً، لقد أمسكت بالخبز بنجاح".
بسبب هذا، إذا طلبت من الروبوت القيام بمزيج جديد من المهارات لم يره من قبل (مثل "أمسك الخبز، ولكن فقط إذا كان الزبد كان مفتوحاً بالفعل")، فإنه يصاب بالارتباك. الأمر يشبه طاهياً يعرف كيف يقطع البصل، لكنه لا يعرف ما هو شكل "البصل المقطع"، لذا لا يمكنه تحديد متى يتوقف عن التقطيع أو ماذا يفعل بعد ذلك. ولإصلاح ذلك، نضطر عادةً إلى إعادة تدريب الروبوت من الصفر لكل مزيج جديد.
الطريقة الجديدة: PACTS (الطاهي "الواعي")
يقدم هذا البحث نظاماً جديداً يسمى PACTS (المهارات القائمة على المحمولات والأفعال - Predicate-Action Skills). فكر في PACTS كطريقة لتعليم الروبوت أن يكون طاهياً "واعياً" يتعلم شيئين في نفس الوقت تماماً:
- الفعل: الحركات الجسدية (كيف يحرك الذراع).
- النتيجة: "اعتقاد" رمزي حول ما حدث للتو (على سبيل المثال: "الخبز الآن في يدي" أو "الباب مفتوح الآن").
التشبيه الإبداعي: الشريط "ثنائي المسار"
تخيل عملية تعلم الروبوت كأنها تسجيل فيلم على شريط خاص ثنائي المسار:
- المسار (أ): يسجل الفيديو لحركة أيدي الروبوت.
- المسار (ب): يسجل تعليقاً صوتياً مستمراً لـ "الحقائق" التي تصبح حقيقية مع تشغيل الفيلم (مثل: "الشيء ممسوك"، "الشيء تم تركه"، "الباب مفتوح").
في الأنظمة القديمة، كان هذان المساران يُسجلان بواسطة أشخاص مختلفين لا يتحدثون مع بعضهم البعض أبداً. أحياناً، يظهر الفيديو الروبوت وهو يسقط الكوب، لكن المسار التعليقي لا يزال يقول: "الكوب ممسوك". هذا التضارب تسبب في حدوث ارتباك عند محاولة تخطيط مهام معقدة.
أما مع PACTS، فإن الروبوت يسجل كلا المسارين في عملية موحدة واحدة. فبينما يتعلم الحركة، فإنه يتعلم أيضاً التغيير المقابل في العالم. ولأنهما يُتعلمان معاً، فهما متزامنان تماماً. إذا تحركت يد الروبوت ليمسك بكوب، فإن "اعتقاده" الداخلي يتحدث تلقائياً إلى "أنا أمسك الكوب".
لماذا يهم هذا: التركيب "صفرِيّ الخطوة" (Zero-Shot Composition)
القوة الخارقة الأكبر لـ PACTS هي التركيب "صِفري الخطوة".
لأن الروبوت يمتلك الآن هذا "المسار التعليقي" الرمزي الواضح (اعتقادات المحمولات) الذي يتحدث في الوقت الفعلي، يمكننا استخدام "مخطط" قياسي جاهز (مثل نظام GPS أو كتاب وصفات) لخلط ومزج المهارات التي لم يسبق للروبوت دمجها من قبل.
- السيناريو: علمت الروبوت "فتح الباب" و"دفع العربة" بشكل منفصل. أنت لم تعلمه أبداً "افتح الباب ثم ادفع العربة".
- النتيجة: ينظر المخطط إلى "مسار الاعتقاد" الخاص بالروبوت. يرى أن الروبوت قد "فتح الباب" بنجاح (تغير الاعتقاد من خطأ إلى صواب). عندها يقول المخطط: "رائع! بما أن الباب مفتوح الآن، فلننفذ مهارة 'دفع العربة'".
يمكن للروبوت القيام بذلك دون أي تدريب جديد. إنه يشبه طاهياً يعرف كيف يغلي الماء وكيف يقلي بيضة. حتى لو لم يسبق له أن صنع "بيضة مسلوقة مقلية بالساندوتش"، فإنه يستطيع النظر إلى قائمة التحقق الداخلية الخاصة به، ويرى أن الماء قد غلى، وينتقل فوراً إلى قلي البيضة.
الاختبار في العالم الحقيقي
اختبر المؤلفون هذا النظام بثلاث طرق:
- لعبة ثنائية الأبعاد: روبوت يدفع مكعبات. كان PACTS أفضل في تحريك المكعبات بشكل صحيح، وأيضاً في تحديد ما إذا كانت المكعبات في مكانها الصحيح مقارنة بالروبوتات التي تعلمت الحركات فقط.
- محاكاة ثلاثية الأبعاد: مهام معقدة مثل صنع القهوة أو الطبخ في مطبخ. حافظ PACTS على أداء عالٍ مع منح المخطط رؤية واضحة لما يحدث.
- الحياة الواقعية: روبوت حقيقي يقوم بتعبئة مكعبات ملونة في صندوق. علم الفريق الروبوت تعبئة المكعبات الحمراء والخضراء بشكل منفصل. وباستخدام PACTS، استطاعوا أن يطلبوا منه "تعبئة المكعبات الحمراء والصفراء فقط" (وهو مزيج لم يره من قبل)، فقام بذلك بنجاح من خلال اتباع تعليمات المخطط بناءً على اعتقاداته الداخلية.
باخت-صار
يعلم PACTS الروبوتات كيفية تعلم الأفعال والنتائج معاً، كحزمة واحدة. وهذا يمنح الروبوت "تقرير حالة" واضحاً وفي الوقت الفعلي لما حققه. هذا التقرير يسم يسمح لمخطط بسيط بخلط ومزج المهارات فوراً، مما يتيح للروبوت حل مشكلات جديدة ومعقدة دون الحاجة إلى إعادة تدريبه من الصفر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.